基于机器学习的洛朗琴五大湖历史日/月径流重建

为何过去的河流流量今天仍然重要

五大湖储存了全球近五分之一的地表淡水，为数百万人的饮用水、运输、电力和休闲提供保障。然而，注入这些湖泊的河流并非一直被精确测量。许多测流站已关闭或存在记录缺口，这使得过去几十年实际流入湖泊的水量难以确知。本文提出了一种新的数字化“回放”方法，可重建超过60年的日尺度河流径流，为社区和规划者呈现更清晰的历史湿润与干旱时期，从而帮助他们为未来的气候和水位变化做好准备。

填补缺失的片段

流量测站是衡量河流流量的基本工具。在北美，成千上万个测站因设备故障或经费削减而停止运行或留下断档。传统的填补方法常聚焦于单条河流或使用过于粗糙、无法捕捉局地细节的全球模型。这些方法在追踪日尺度的流量涨落方面常有困难，而日变化对于理解洪水、干旱以及水在局地系统中的运移至关重要。五大湖流域还增加了额外复杂性：近三分之一区域完全没有测站，流域跨越美加边界，并包含气候、土壤、城市、农田、森林和湿地的拼接格局。

教神经网络“读懂”河流

作者采用了一种称为长短期记忆网络（LSTM）的人工智能方法，这是一类设计用于学习随时间展开模式的神经网络。他们针对1950至2013年间的四个历史时段分别训练独立的LSTM模型，以更好地捕捉气候、土地利用和人类水管理的缓慢变化。每个模型为五大湖地区数百个集水区提供三类信息：日尺度气象数据（降水和温度）、各汇水区的固定物理特征（如高程、坡度、土壤和土地覆盖）以及——关键的——行为相似的邻近“供体”测站的流量。一个配套的机器学习工具先学习哪些测站倾向于一起升降，然后为每个目标站挑选最佳供体。这一设置使网络能够学会降雨与融雪如何在各类景观中转换为河流流量。

从单条河流到整个湖泊

训练完成后，表现最佳的模型（同时使用气候和供体测站信息）被用于为656个有测站位置生成1951–2013年完整的日径流记录。团队进一步推进：将相同模型应用于128个直接排入五大湖—苏必利尔、密歇根-休伦、圣克莱尔、伊利和安大略—的滨岸流域。对于每个流域，模型估算无测站区域的流量，并将其与内部测站的任何可用观测值融合。这些日值随后汇总以生成每个湖流入水量的月度总量。

将数字河流与现实比对

研究人员仔细检验模型在已见站点和从未用于训练的站点上的表现。跨越数十年，该模型在再现日尺度流量方面优于仅依赖气候和流域特征的简化版本，尤其是在能够利用附近供体测站时表现更佳。它在为具有部分记录的测站“填补空白”方面尤为出色，同时在完全无测站的流域中也保持了有竞争力的表现。当团队将其重建的月度流入湖泊径流与多个机构使用的现有产品比较时，发现近几十年存在高度一致性，并且在许多情况下显示出更明显的峰值流量，尤其是与仅依赖降雨—径流方程的模型相比。

这对五大湖水位意味着什么

该新数据集提供了过去六十多年从陆地流入五大湖的水量的最详细、最长时间序列之一。对于水资源管理者而言，这意味着湖泊水量平衡模型有了更好的输入、对历史洪水和干旱的估计更为精确，并在为气候变化下不确定的未来水位制定规划时更有信心。由于该方法依赖长期气象数据和现有测站网络——而非相对较新的卫星记录——它能够向后延伸并推广到面临类似监测缺口的其他地区。简言之，这项工作为河流流量提供了强有力的“倒带按钮”，帮助社区了解过去五大湖水源的来向，从而在未来更明智地管理这些水资源。

引用: Gupta, R.S., Wi, S. & Steinschneider, S. Machine Learning-Based Reconstructions of Historical Daily and Monthly Runoff for the Laurentian Great Lakes. Sci Data 13, 624 (2026). https://doi.org/10.1038/s41597-026-07000-0

关键词: 五大湖径流, 流量重建, 机器学习水文学, 水位变动, 气候变化影响